ارائه الگوریتم پویا با استفاده از مدل‌های فرااکتشافی در جریان داده‌ها براساس نمونه‌گیری مجدد به منظور ارتقاء پیش‌بینی پاسخ مشتریان

زمینه و هدف: هدف از پژوهش حاضر مواجهه با مشکل عدم توازن داده‌ها به عنوان یک مسئله نهادینه شده در حوزه تحقیقات علوم انسانی‌ است. عدم توازن در بین داده‌های متعلق به کلاس اقلیت و اکثریت باعث تمایل الگوریتم‌های طبقه‌بند به سمت کلاس اکثریت می‌شود. روش‌شناسی: در این پژوهش پس از بررسی داده‌های اولیه و ملاحظه ضعف و مشکل الگوریتم‌های پیش‌بینی برای این داده‌ها، از روش‌های مختلف متوازن‌سازی داده‌ها و تقویت قدرت پیش‌بینی الگوریتم‌ها بر اساس مدل‌های فرااکتشافی استفاده شده است. یافته‌ها: نتایج نشان داد که با استفاده از داده‌های اولیه به هیچ وجه نمی‌توان به یک پیش‌بینی قابل اتکا و قابل استفاده دست ‌یافت. به کارگیری روش‌های نمونه‌گیری مجدد با استفاده از خوشه‌بندی مشتریان و ترکیب کلاس‌های اقلیت و اکثریت به روش‌های مختلف و مطابق با الگوریتم ارائه شده می‌تواند توان پیش‌بینی طبقه‌بند‌ها را به طرز شگفت‌انگیزی افزایش داده و در موقعیت‌های مختلف مورد استفاده قرار گیرد. نتیجه‌گیری: این پژوهش با استفاده از نتایج حاصل از کدهای xml استخراج شده در هر مرحله به شناسایی هر چه دقیق‌تر مشتریان بالقوه پرداخته و نیز با ترکیب معیارهای مختلف ارزیابی مدل به روشی ابتکاری در جهت تغییر خروجی مدل‌های پیش‌بینی از حالت باینری به فازی، گامی فراتر از یافته‌ها و نتایج پژوهش‌های پیشین برداشته شده است.